Uygulamalı Veri Analizi Eğitimi

Eğitim Hakkında

pandas, EDA, istatistiksel çıkarım ve veri görselleştirme

Bu uygulamalı eğitim, gerçek veri setleri üzerinde uçtan uca veri analizi sürecini öğretir. Python ve pandas ile veri yükleme, eksik ve aykırı değerlerin ele alınması, tip dönüşümü ve veri temizleme (data wrangling) ile başlar. Keşifsel veri analizi (EDA): dağılımlar, gruplama (groupby), pivot, korelasyon ve özet istatistikler işlenir. İstatistiksel çıkarım kapsamında örnekleme, güven aralığı, hipotez testleri (t-testi, ki-kare, ANOVA) ve p-değeri yorumu ele alınır. matplotlib/seaborn ile etkili görselleştirme ve içgörülerin raporlanması uygulanır. Katılımcılar bir veri setini baştan sona analiz edip bulgularını savunulabilir biçimde sunar.

Süre ve Format

4 Gün. Her gün dört modül; katılımcılar veri temizlemeden EDA, çıkarım ve görselleştirmeye aşamalı olarak ilerler.

Seviye

Orta Seviye — Python/pandas ile veri temizleme, keşifsel analiz, istatistiksel çıkarım ve görselleştirmenin uçtan uca uygulanması.

Öğrenme Metodu

Katılımcılar Jupyter ortamında gerçek veri setleri üzerinde pandas ve istatistik tekniklerini adım adım kod yazarak uygular.

Neden Bu Eğitim?

🧹Veri Temizleme

Gerçek dünyanın dağınık verisini analize hazır hâle getirirsiniz.

🔬Doğru Çıkarım

Hipotez testleriyle rastlantıyı gerçek etkiden ayırırsınız.

📊İkna Edici Görsel

Bulgularınızı net ve doğru görsellerle anlatırsınız.

Anahtar Konular

uygulamalı veri analizipandaspython veri analiziedakeşifsel veri analizihipotez testiseabornistatistiksel çıkarımveri görselleştirme

“Veri analizi cevap vermez; doğru soruyu doğru biçimde sormanı sağlar.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Python Temeli

Temel Python söz dizimi (değişken, döngü, fonksiyon) bilgisi beklenir.

2

İstatistik Farkındalığı

Ortalama, medyan, dağılım gibi temel kavramlara aşinalık faydalıdır.

3

Jupyter Ortamı

Anaconda/Jupyter veya Google Colab erişimi önerilir.

4

Veri Seti

Üzerinde çalışılacak örnek bir CSV/veri seti.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiKatılımcı, ham veriyi yükler ve analize hazır temiz bir veri çerçevesine dönüştürebilir.

Modül 1

pandas Temelleri

Series ve DataFrame veri yapıları
read_csv/read_excel ile veri yükleme
loc/iloc ile seçim ve indeksleme
Kolon tipleri (dtype) ve bellek kullanımı
head/info/describe ile ilk inceleme
Zincirleme (method chaining) yazım stili

Modül 2

Eksik Değerler

isnull/notnull ile eksikliğin tespiti
dropna ile satır/sütun eleme kriterleri
fillna ile ortalama/medyan/ileri doldurma
Eksikliğin rastgeleliği (MCAR/MAR) kavramı
Interpolasyon ile zaman serisi doldurma
Eksik değer kararının analize etkisi

Modül 3

Aykırı ve Hatalı Veri

IQR ve z-skoru ile aykırı değer tespiti
Box plot ile görsel aykırı inceleme
Mantıksal tutarsızlıkların yakalanması
Yinelenen (duplicate) kayıtların kaldırılması
Kategori yazım hatalarının normalize edilmesi
Aykırı değeri silme ve sınırlama (winsorize) kararı

Modül 4

Veri Dönüşümü

Tip dönüşümü (astype) ve tarih ayrıştırma
String işlemleri (str accessor) ile temizlik
apply/map ile kolon dönüşümü
Kategori (category) tipiyle bellek kazancı
merge/join ile veri birleştirme
melt/pivot ile uzun-geniş format dönüşümü

Günün hedefiKatılımcı, EDA teknikleriyle veri setinin yapısını ve ilişkilerini keşfedebilir.

Modül 1

Özet İstatistik

Merkezî eğilim: ortalama, medyan, mod
Yayılım: varyans, standart sapma, IQR
Çarpıklık (skewness) ve basıklık (kurtosis)
Kategorik değişkenlerde frekans tablosu
value_counts ile dağılım incelemesi
Özet istatistiğin yanıltıcı olabileceği durumlar

Modül 2

Gruplama ve Pivot

groupby ile bölünmüş agregasyon (split-apply-combine)
agg ile çoklu metrik hesaplama
pivot_table ile çapraz özetleme
transform ile grup içi normalizasyon
crosstab ile iki değişken kesişimi
Gruplama sonucunun yorumlanması

Modül 3

İlişki Analizi

Pearson ve Spearman korelasyonu
Korelasyon matrisi ve ısı haritası
Sahte (spurious) korelasyon riski
Kategorik-sayısal ilişki incelemesi
Korelasyon ve nedensellik ayrımı
Değişken seçimi için ilişki içgörüsü

Modül 4

EDA İş Akışı

Soru odaklı keşif planı kurma
Tek değişkenli (univariate) inceleme
İki ve çok değişkenli (bi/multivariate) analiz
Hipotez üretimi için örüntü arama
Veri hikâyesinin (data story) iskeleti
EDA bulgularının sonraki adıma bağlanması

Günün hedefiKatılımcı, örneklemden popülasyona çıkarım yapar ve hipotez testlerini doğru uygular.

Modül 1

Örnekleme

Popülasyon ve örneklem ilişkisi
Rastgele ve tabakalı örnekleme
Örnekleme hatası ve yanlılık (bias)
Merkezi limit teoreminin anlamı
Örneklem dağılımı ve standart hata
Örneklem büyüklüğünün etkisi

Modül 2

Güven Aralığı

Güven aralığının (CI) yorumu
Ortalama için CI hesabı
Oran (proportion) için CI
Güven düzeyi ve aralık genişliği ilişkisi
CI ve hipotez testi bağlantısı
Yaygın CI yanlış yorumlarından kaçınma

Modül 3

Hipotez Testleri

Null ve alternatif hipotez kurulumu
Tek ve iki örneklem t-testi
Ki-kare bağımsızlık testi
ANOVA ile grup ortalaması karşılaştırması
p-değeri ve anlamlılık düzeyinin yorumu
Tip I ve Tip II hata dengesi

Modül 4

Çıkarımda Dikkat

Etki büyüklüğü (effect size) raporlama
Çoklu test ve p-hacking riski
İstatistiksel ve pratik anlamlılık ayrımı
Varsayım kontrolleri (normallik, varyans)
Non-parametrik alternatifler
Sonuçların aşırı yorumlanmasından kaçınma

Günün hedefiKatılımcı, etkili görseller üretir ve analiz bulgularını savunulabilir biçimde raporlayabilir.

Modül 1

matplotlib

Figure ve axes nesne modeli
Çizgi, dağılım (scatter) ve çubuk grafik
Eksen, başlık ve etiket düzenleme
Alt grafikler (subplots) ile yan yana karşılaştırma
Renk ve stil ile okunabilirlik
Grafiği dosyaya kaydetme

Modül 2

seaborn

Dağılım için histplot/kdeplot
İlişki için scatterplot ve regplot
Kategorik karşılaştırma: box/violin/bar
Isı haritası (heatmap) ile korelasyon
pairplot ile çok değişkenli görünüm
Tema ve paletle tutarlı görsel dil

Modül 3

Görsel İlkeleri

Doğru grafik türünü soruya göre seçme
Yanıltıcı eksen ve ölçekten kaçınma
Renk körlüğüne duyarlı palet seçimi
Veri-mürekkep oranı ve sadelik
Açıklayıcı başlık ve ek açıklama (annotation)
Grafikten çıkarılacak mesajın netliği

Modül 4

Raporlama

Jupyter notebook ile anlatı (narrative) kurma
Bulguların yönetici özeti biçiminde sunumu
Varsayım ve sınırlılıkların belirtilmesi
Tekrarlanabilir analiz için kod düzeni
Veri kaynağı ve metodolojinin şeffaflığı
Sonuçtan aksiyona öneri üretme

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

Veri Temizleme

pandas ile eksik ve aykırı değerleri doğru ele alırsınız.

✅

Dönüşüm

merge, pivot ve tip dönüşümüyle veriyi analize hazırlarsınız.

✅

EDA

Gruplama, pivot ve korelasyonla veriyi derinlemesine keşfedersiniz.

✅

Örnekleme

Örneklem ve popülasyon ilişkisini doğru kurar, hataları tanırsınız.

✅

Hipotez Testi

t-testi, ki-kare ve ANOVA'yı uygun senaryoda uygularsınız.

✅

p-değeri

p-değeri ve güven aralığını doğru yorumlar, hatalardan kaçınırsınız.

✅

Görselleştirme

matplotlib/seaborn ile net ve doğru görseller üretirsiniz.

✅

Raporlama

Bulgularınızı savunulabilir bir veri hikâyesine dönüştürürsünüz.

Kimler İçin Uygundur?

Veri analisti adayları
araştırmacılar
iş analistleri
Python ile uygulamalı veri analizi yapmak isteyenler için uygundur

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Veri analisti adayları, araştırmacılar, iş analistleri ve Python ile uygulamalı veri analizi yapmak isteyenler için uygundur.

İleri Python gerekli mi?

Hayır; temel Python yeterlidir, pandas ve analiz teknikleri eğitimde uygulamalı öğretilir.

İstatistik bilmek şart mı?

Temel kavramlara aşinalık faydalıdır; çıkarımsal istatistik eğitimde adım adım ve yorum odaklı ele alınır.

Kendi verimle çalışabilir miyim?

Evet; teknikleri kendi CSV veri setinize uygulayabileceğiniz tekrarlanabilir bir iş akışı kazanırsınız.

Eğitim sonunda sertifika veriliyor mu?

Katılım ve değerlendirme sonrası Digital Vizyon Akademi Katılım ve Başarı Sertifikası verilir.

Sertifikalandırma

Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

APPLIED DATA ANALYSIS EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Anahtar Konular

Ön Koşullar

Eğitim İçeriği

pandas Temelleri

Eksik Değerler

Aykırı ve Hatalı Veri

Veri Dönüşümü

Özet İstatistik

Gruplama ve Pivot

İlişki Analizi

EDA İş Akışı

Örnekleme

Güven Aralığı

Hipotez Testleri

Çıkarımda Dikkat

matplotlib

seaborn

Görsel İlkeleri

Raporlama

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Bu Eğitimle Birlikte Tercih Edilenler

Data Access & Permissions Eğitimi

Data Access Using JDBC Eğitimi

Data Analysis and Visualization with Microsoft Excel (D.A.V.E.) Eğitimi

Data Analysis and Visualization with Microsoft Excel Eğitimi

Data Analysis Boot Camp (DABC) Eğitimi